Robôs Aéreos se Beneficiarão de Receptores de Deformação Alimentados por IA

A inteligência artificial continua a proporcionar inovações nas indústrias aeronáutica e de robótica. Desenvolvimentos recentes envolvendo receptores de deformação alimentados por IA integrados podem tornar possível criar opções mais ágeis e leves nos próximos anos. Aqui está tudo o que você precisa saber.

Desde o alvorecer dos tempos, o homem tem olhado para a natureza para obter uma melhor compreensão do voo. No entanto, criar robôs que batem suas asas para voar tem se mostrado muito mais desafiador do que as embarcações aladas tradicionais. Infelizmente, esse cenário deixou os robôs aéreos sem algumas capacidades essenciais que seus equivalentes naturais possuem, como converter rapidamente entre pairar e voo otimizado. Felizmente, esse cenário pode estar prestes a mudar.

Robôs Aéreos de Asas Batentes

Hoje, os robôs aéreos são prevalentes em múltiplos setores, e sua influência, capacidades e disponibilidade estão em ascensão. As pessoas costumam pensar apenas em veículos movidos a hélices e embarcações aladas ao discutir robótica aérea. No entanto, existem várias outras opções que podem não receber atenção, mas definitivamente têm benefícios únicos que as destacam.

Asas Batentes

Asas batentes oferecem o melhor dos dois mundos. Elas permitem que pássaros ganhem rapidamente sustentação vertical e se estabilizem para planar longas distâncias. Insetos alados podem pairar e mudar de direção rapidamente. Pense em como um zangão ou beija-flor ziguezagueia por uma área, ou como uma mariposa circula ao redor de uma lâmpada.

Até o momento, houve alguns avanços significativos no design de robôs com asas batentes. No entanto, os controladores de voo necessários para fazer essas embarcações operarem de forma confiável em condições variáveis, e não apenas em laboratório, provaram ser difíceis de criar. Ainda assim, esses designs continuam a capturar a imaginação de desenvolvedores e criadores, com o filme Duna apresentando recentemente um Ornítopter que depende de asas batentes semelhantes a uma libélula.

Fonte – Fandom

Estudo de Receptores de Deformação Alimentados por IA

Um estudo recente, “Machine Learning-Based Wind Classification by Wing Deformation in Biomimetic Flapping Robots: Biomimetic Flexible Structures Improve Wind Sensing,“¹ baseia-se em inspiração natural para aprimorar as capacidades de robôs com asas batentes. Especificamente, os pesquisadores examinaram múltiplas criaturas para determinar como seus sentidos lhes permitem otimizar seus padrões de voo com precisão.

Receptores de Deformação Alimentados por IA Inspiram-se na Natureza.

A equipe observou que todos os pássaros e insetos com asas batentes possuem algum tipo de órgão sensorial localizado em suas asas. Eles conceberam que esse órgão realiza diferentes funções em diferentes animais, permitindo que eles corrijam suas características de voo para melhorar seus resultados. A equipe notou que gafanhotos possuíam receptores de deformação localizados nas veias de suas asas, enquanto muitas aves, como galinhas, têm sensores próximos aos folículos das penas.

Até este estudo, havia pouca compreensão sobre exatamente quais dados esses sensores forneciam ao animal. No entanto, os pesquisadores deduziram que as informações sensoriais permitiam aos animais detectar vento, movimentos corporais e mudanças nas condições ambientais em tempo real. Buscando dar aos robôs as mesmas capacidades, a equipe iniciou a criação de um sensor de deformação alimentado por IA confiável que pudesse imitar seus equivalentes naturais, permitindo que o robô “sinta” seu ambiente e condições, ajustando-se de acordo.

Design da Asa

A equipe se inspirou em um dos voadores mais ágeis da natureza, o beija-flor. Eles iniciaram a criação de asas miméticas de beija-flor que possuem estrutura semelhante aos ossos encontrados na ave. Os eixos afinam nas extremidades e funcionam como veias das asas, adicionando outra camada de estabilidade à estrutura da asa.

Essas asas flexíveis foram impressas em 3D utilizando uma impressora de modelagem por deposição fundida de duplo bico. Essa abordagem permitiu à equipe imprimir usando um polímero copoliéster de 12,5 μm de espessura e poliéster tereftalato reforçado com fibra de carbono. Essa abordagem forneceu as características de uma asa natural que pode flexionar e mover-se ao longo de seu trajeto.

Movimento Livre

Especificamente, a asa podia abrir livremente até um ângulo de ±23°. A asa também girava ao longo da borda de ataque a cada batida. Esse movimento fornecia potência adicional ao maximizar a força de sustentação, semelhante aos insetos. Os engenheiros definiram a amplitude de batimento das asas em 158°, e a frequência de batimento foi ajustada para ≈12 Hz nos experimentos.

Fonte – Advanced Intelligent Systems

Receptores de Deformação Alimentados por IA

A equipe integrou extensômetros na estrutura da asa semelhante à de um beija-flor. Especificamente, sete receptores de deformação de baixo custo, comercialmente disponíveis, com larguras e comprimentos de base de 1,4 e 4,2 mm, foram colados em locais específicos nas asas de teste. Esses sensores foram então usados para medir a pressão e deformação da asa em sete diferentes direções de vento. As direções utilizadas incluíram 0°, 15°, 30°, 45°, 60°, 75° e 90°.

Motor

Para fazer as asas baterem, foi acoplado um motor DC. O motor utilizou um mecanismo de biela de Scotch e engrenagens de redução para proporcionar movimentos de batimento realistas. O dispositivo foi configurado para 12 ciclos por segundo, e os fios sensoriais foram conduzidos através de conectores nas asas até um registrador de dados. Notavelmente, os engenheiros usaram um dispositivo TEXIO TECHNOLOGY com fonte de alimentação de tensão constante para garantir uniformidade e mensurabilidade.

Modelo de Rede Neural Convolucional para Receptores de Deformação Alimentados por IA

Um dos principais componentes do experimento foi a utilização de uma rede neural convolucional. Esse modelo permitiu aos pesquisadores registrar, classificar e treinar um controlador de voo capaz de fazer ajustes em tempo real usando dados coletados dos sensores de deformação e comparados ao modelo de CNN.

Os dados de detecção de deformação permitem que o algoritmo de aprendizado de máquina classifique as condições de vento com precisão. Como parte do treinamento, os dados do sensor foram obtidos para emular voo em pairar em um túnel de vento. Notavelmente, 720 conjuntos de dados de deformação e fase foram obtidos para cada condição de vento. Esses dados foram divididos em batidas individuais da asa.

Teste de Receptores de Deformação Alimentados por IA

A equipe iniciou a fase de testes registrando os dados dos sensores das asas sem vento. A ausência de fluxo de ar permitiu que os sensores zerassem e fizessem comparações precisas à medida que as condições eram aprimoradas. Além disso, a equipe testou três asas diferentes com os mesmos dados de extensômetro e comparou os resultados.

Um codificador rotativo magnético foi usado para capturar o estado da asa com precisão durante diferentes condições. O dispositivo ficava diretamente sobre as asas, permitindo uma resolução de 0,703° durante a fase de batimento. Curiosamente, a equipe iniciou o processo configurando uma única rotação do codificador para um único ciclo de batimento.

Túnel de Vento

O túnel de vento foi uma parte crucial desses experimentos. Ele permitiu à equipe simular voo em pairar sob condições de vento suaves a fortes. Especificamente, oito condições de vento alternadas foram usadas na fase de testes. Cada condição teve 3 medições realizadas durante um único ciclo de batimento.

Resultados dos Testes de Receptores de Deformação Alimentados por IA

Os resultados do estudo foram impressionantes. A equipe conseguiu determinar as condições de vento com 99% de precisão. Impressionantemente, a determinação levou apenas um único batimento e, em alguns casos, apenas 0,2 ciclo de batimento forneceu resultados muito precisos. Além disso, o estudo constatou que os sensores mais próximos dos eixos das asas proporcionaram os resultados mais rápidos.

O Tempo de Ciclo é Importante

O tempo de ciclo de cada medição fez uma grande diferença nos resultados. A equipe observou que, com menos de 0,2 ciclos, a confiabilidade dos dados caía drasticamente. No entanto, em 0,2 ciclos, os sensores alcançaram 85% de precisão. Essa precisão pode ser melhorada ou reduzida com base no número de sensores na asa.

Estruturas Biomiméticas de Eixo de Asa Melhoram os Resultados dos Receptores de Deformação Alimentados por IA

Os testes descobriram que a estrutura do eixo da asa desempenha um papel vital na obtenção de dados e na precisão. Assim, as asas estruturadas testadas puderam determinar as condições de vento muito mais rapidamente do que um sujeito de teste não estruturado. Essa descoberta levou os engenheiros a concluir que aprimorar a estrutura da asa e a colocação dos sensores poderia gerar ainda mais precisão no futuro.

Benefícios dos Receptores de Deformação Alimentados por IA

Existe uma longa lista de benefícios que este estudo traz ao mercado. Primeiro, ele forneceu aos engenheiros de robótica uma capacidade simples de detecção de deformação da asa que depende de peças comercialmente disponíveis, prontas para uso e acessíveis. Esses dispositivos de baixo custo e baixo consumo de energia são facilmente integrados a robôs voadores sem a necessidade de grandes alterações.

Agilidade

A agilidade que os zangões alcançam é quase sobrenatural. Esses animais alados podem parar rapidamente, pairar e mudar de direção sem muito esforço. Os cientistas esperam criar drones com as mesmas capacidades, possibilitando um novo nível de integração.

Adaptabilidade

Ninguém pode dizer em que direção o vento soprará o tempo todo. Contudo, a entrada sensorial das asas testadas pode reconhecer diretamente as condições de fluxo sem a ajuda de dispositivos adicionais. Esses dados podem ser usados para melhorar a consciência ambiental, proporcionando melhor controle e codificação rápida de informações com base nas condições ambientais.

Abordagem Simplista

Outro grande benefício das asas batentes em comparação com outras tecnologias de pairar é a simplicidade. Hovercrafts exigem muito fluxo de ar e só podem alcançar certa altitude. Por outro lado, helicópteros são extremamente complexos, requerendo milhares de peças móveis calibradas perfeitamente para alcançar um estado de pairar. Este estudo recente pode tornar possível imprimir em 3D asas de veículos capazes de pairar estável e mudanças rápidas de direção sem toneladas de peças móveis e intrincadas.

Casos de Uso dos Receptores de Deformação Alimentados por IA

Existem vários casos de uso para robôs com asas batentes. Esses dispositivos podem ajudar a alcançar locais de difícil acesso ou fornecer varredura suave de desastres naturais ou zonas de guerra. Pequenos robôs aéreos atualmente sofrem com severas limitações de peso e tamanho. O uso de asas batentes poderia melhorar sua carga útil ao reduzir o peso necessário para os aparatos de voo.

Pesquisadores dos Receptores de Deformação Alimentados por IA

Este estudo foi apresentado por pesquisadores do Instituto de Ciência de Tóquio. O relatório foi liderado pelo Professor Associado Hiroto Tanaka e incluiu trabalho de Hiroto Tanaka. Além disso, Tomoya Fujii ajudou no design da asa. Notavelmente, os pesquisadores receberam apoio da concessão JSPS KAKENHI Grant-in-Aid for Scientific Research on Innovative Areas “Science of Soft Robots” sob o número de concessão JP18H05468.

Empresas que Poderiam se Beneficiar dos Receptores de Deformação Alimentados por IA

A capacidade de determinar com precisão e rapidez as condições de vento é uma opção que muitas empresas poderiam usar para melhorar suas ofertas. O uso desses sensores em robôs com asas batentes abre a porta para fabricantes de drones expandirem essa tecnologia para criar opções mais ágeis e únicas. Aqui está uma empresa que pode realizar a tarefa nos próximos meses.

Kratos Defense & Security Solutions Inc

Kratos Defense & Security Solutions Inc (KTOS ) entrou originalmente no mercado em 1994 como fornecedora de infraestrutura de telecomunicações antes de mudar sua missão e objetivos para a fabricação de drones. A empresa está sediada em San Diego, CA.

Em 2004, a Kratos Defense & Security Solutions Inc. começou a fazer aquisições de alto nível em todo o mercado. Essas aquisições proporcionaram à empresa acesso a tecnologias avançadas e levaram a empresa a mudar seu nome e foco geral para tecnologias de defesa militar.

Hoje, a Kratos é reconhecida como fornecedora líder de drones militares e software. As ações da empresa, KTOS, têm apresentado crescimento constante ao longo do ano devido a uma variedade de fatores, incluindo a inovação contínua de suas ofertas juntamente com a crescente demanda por drones de guerra automatizados e alimentados por IA.

Os profundos laços da Kratos Defense & Security Solutions Inc. com investidores institucionais, governos e seu histórico comprovado a tornam a empresa perfeita para integrar essa tecnologia nos próximos meses.

Futuro dos Receptores de Deformação Alimentados por IA

Os engenheiros por trás do estudo dos sensores de deformação alimentados por IA acreditam que ainda há muito trabalho a ser feito para garantir que essa tecnologia atinja seu ápice. Atualmente, o setor de drones alados ainda é um mercado incipiente.

No entanto, à medida que as vantagens do voo alado, como pairar estável e mudanças rápidas de direção, criam oportunidades únicas, pode-se esperar que a demanda por esses bots aumente. Assim, a equipe pretende conduzir estudos adicionais sobre condições de vento mais complexas e combinações de diferentes locais de detecção de deformação para otimizar seu design.

Receptores de Deformação Alimentados por IA – Tornando Asas Inteligentes

A introdução de receptores de deformação alimentados por IA confiáveis e acessíveis em robôs alados certamente aprimorará o desempenho em geral. Este estudo leva a indústria um passo mais perto de imitar a natureza e desvendar mistérios antigos relacionados ao voo. Nos próximos meses, este estudo pode levar à criação de muitas novas e capazes embarcações com asas batentes.

Saiba sobre outros projetos de robótica interessantes aqui.

Referência do Estudo:

^{1. Kubota, K., & Tanaka, H. (2024). Machine learning-based wind classification by wing deformation in biomimetic flapping robots: Biomimetic flexible structures improve wind sensing. Advanced Intelligent Systems, 6(11), 2400473. https://doi.org/10.1002/aisy.202400473}